Os varejistas tradicionais geram e capturam um dilúvio de dados - principalmente, os históricos de transações de clientes que podem revelar afinidades detalhadas de produtos e taxas promocionais e de resposta de marketing. Agora, o surgimento de big data e ferramentas e técnicas analíticas avançadas pode conectar dados a um contexto maior. O Big Data pode explicar quem, o que, quando, onde, por que e como o varejo. Comerciantes e profissionais de marketing geralmente dependem de táticas que funcionaram no ano passado, com apenas pequenas modificações. Às vezes, suas promoções acabam descontando os itens errados e sofrendo, em vez de ajudar as vendas. Com muita frequência, eles simplesmente confiam em empresas ou fornecedores de bens de consumo, com seus diferentes incentivos e motivações, para dizer o que fazer. Eles lutam para descobrir quais preços, promoções e locais de lojas estão funcionando melhor. Eles têm dificuldade em aproveitar todas as informações contextuais em torno de transações que podem fazer a diferença nas vendas. Com efeito, eles conhecem os resultados de milhões de experimentos em tempo real, mas não conseguem olhar e aprender com eles.
Although some leading companies have gained a reputation for deft data handling, most retailers have not yet built the analytical capabilities and internal processes necessary to take advantage of the deep well of information they can access. Merchants and marketers often rely on tactics that worked last year, with only slight modifications. Sometimes their promotions end up discounting the wrong items and hurting rather than helping sales. Too frequently, they simply rely on consumer goods companies or suppliers, with their different incentives and motivations, to tell them what to do.
In the end, many retailers have not figured out where and why they are winning and where and why they are losing. They struggle to discover which prices, promotions, and store locations are working best. They have a hard time taking advantage of all the contextual information around transactions that could make a difference in sales. In effect, they know the outcomes of millions of real-time experiments, but they are not able to look at and learn from them.
tudo isso leva a oportunidades perdidas. Por fim, ele abre portas para vendedores on-line e diretos, que geralmente possuem melhores dados e análises mais sofisticadas. Mas, em um cenário de tecnologia tão fluida, pode ser difícil para os varejistas saber onde concentrar seus grandes esforços: quais projetos são um flash na panela e quais criarão oportunidades de crescimento e vantagem competitiva? Explorá -los pode gerar um aumento significativo nas receitas e lucros para os varejistas.
Three High-Potential Opportunities
Big data can help turn this situation around. But in such a fluid technology landscape, it can be hard for retailers to tell where to focus their big-data efforts: which projects are a flash in the pan, and which ones will create growth opportunities and competitive advantage?
In our work with retailers across a range of market segments, we see three opportunities that offer high potential in the near term. Exploiting them can generate a significant increase in revenues and profits for retailers.
Aumentar a eficácia das promoções. No geral, as promoções tendem a ter um efeito dramático nas vendas no varejo. Mas uma vez que os varejistas começam a descontar, eles geralmente hesitam em reduzir a atividade promocional, devido à pressão constante para aumentar o crescimento da linha superior. Piorando a situação, a maioria dos varejistas não tem como melhor o desempenho de suas promoções. No entanto, os fornecedores costumam confundir varejistas, fornecendo pesquisas de consumidores conflitantes para apoiar suas marcas. E eles tendem a não se importar se uma promoção aumentar as vendas para sua linha de produtos, ao mesmo tempo em que tiver a conseqüência não intencional de diminuir as vendas na categoria geral do produto. Pior ainda, muitos deles reduzem os lucros sem levar a vendas adicionais. Como primeiro passo, os varejistas precisam estabelecer uma linha de base precisa das vendas sem promoções para entender o elevador direto de uma promoção e o custo do desconto. Os varejistas também precisam provocar os efeitos secundários das promoções. A canibalização pode resultar quando o item promovido reduz as vendas de outros itens substituíveis. Um "efeito halo" pode resultar da venda de produtos adicionais quando os compradores entram no produto com desconto. E o "efeito puxado" pode deprimir as vendas de itens e categorias após uma promoção, pois os consumidores já foram estocados nos produtos. (Veja o Anexo 1.) Promotions are a common source of success and frustration for retailers. Overall, promotions tend to have a dramatic effect on retail sales. But once retailers start discounting, they are often hesitant to reduce promotional activity, because of the steady pressure to increase top-line growth. Making matters worse, most retailers do not have a handle on how their promotions actually perform.
Finally, many retailers rely heavily on suppliers for the selection of promotions. However, vendors often confuse retailers by providing conflicting consumer research in support of their brands. And they tend not to care if a promotion boosts sales for their product line while having the unintended consequence of lowering sales in the overall product category.
As a result, 30 to 50 percent of promotions have no positive impact on sales and margins. Even worse, many of them reduce profits without leading to additional sales.
Understanding the performance of promotions is difficult, because the necessary analysis is complex and because processes are interdependent. As a first step, retailers need to establish an accurate baseline of sales without promotions to understand the direct lift from a promotion and the cost of the discount. Retailers also need to tease out the secondary effects of promotions. Cannibalization can result when the promoted item reduces sales of other, substitutable items. A “halo effect” can result from the sale of additional products when shoppers come in for the discounted product. And the “pull forward effect” can depress item and category sales following a promotion, since consumers have already stocked up on the products. (See Exhibit 1.)
Além disso, os varejistas devem determinar quanto fornecedores de suporte estão realmente fornecendo promoções. Isso inclui descobrir quanto do financiamento que os fabricantes fornecem estão de fato associados à atividade promocional. Os varejistas também precisam capturar as implicações operacionais das promoções, incluindo custos incrementais de marketing, cadeia de suprimentos e labor de lojas. Fazer esse tipo de análise em uma única promoção requer bons dados e técnicas, mas não é tão complicado para grandes varejistas. No entanto, a execução dessa análise entre as milhares de promoções de nível de item em execução simultaneamente e isolando efeitos externos, como estação e clima, pode ser extremamente complexa, mesmo para varejistas sofisticados. Pode ser difícil o suficiente determinar o que aconteceu como resultado de uma promoção, muito menos o que poderia ter acontecido se a empresa não executou a promoção. Ainda mais desafiador é traduzir essa análise em ações tangíveis que os compradores podem tomar para melhorar o desempenho. Mas a recompensa vale o esforço. Vemos consistentemente melhorias em potencial nas margens de lucro de cerca de 1 % das vendas, dependendo da posição inicial de um varejista e da parcela da renda que deriva de itens na promoção. Isso pode representar 20 % de todo o lucro líquido de um varejista, que pode ser investido em preços mais baixos, melhores layouts da loja e retornos aprimorados dos acionistas. Como resultado dos tipos de técnicas analíticas avançadas descritas acima, a mercearia foi capaz de adaptar as promoções aos produtos, com algumas marcas recebendo promoções adicionais, outras um corte de preço e alguns sem promoção. Descobrimos que as zonas de preços, ou áreas com preços semelhantes, são normalmente determinadas com base em como um varejista organiza suas atividades geograficamente. A definição de preços dessa maneira muitas vezes faz com que os varejistas enfatizem muito as fronteiras da cidade, estado e país. Quando as pessoas atravessam esses limites às vezes arbitrários para fazer compras, no entanto, elas vêem preços diferentes do mesmo varejista. Além disso, menos clientes sensíveis ao preço podem pagar menos do que podem estar dispostos, e mais clientes sensíveis ao preço podem não comprar. Freqüentemente, os varejistas criam poucas zonas de preços, o que limita sua capacidade de responder de uma maneira mais sutil às pressões competitivas. Dados transacionais ricos de programas de fidelidade e cartões de crédito em milhares de lojas podem ser usados para entender onde clientes individuais tendem a comprar. Esses dados podem ser colocados em camadas em uma análise dos locais atuais da loja e das zonas de preços. Todas essas informações podem ser combinadas, analisadas e mapeadas para mostrar aglomerados geográficos de conscientização sobre preços com base no comportamento de compras observado, em vez de nos limites de definir artificialmente. Como resultado de uma abordagem analítica avançada, os varejistas podem determinar a probabilidade de uma compra individual de clientes em diferentes lojas. Eles podem justificar a cobrança de preços diferentes em uma região, confiante de que o desempenho dos preços não se corroerá e garantir que os clientes não encontrarão preços visivelmente diferentes na área em que costumam fazer compras. Uma análise dos dados do cartão de fidelidade revelou considerável complexidade nos padrões de compras dos clientes na Geórgia e nos estados adjacentes. Mesmo em Atlanta, o varejista descobriu uma ampla diversidade de dados demográficos e comportamentos de compras de clientes. Por exemplo, devido à expansão e às viagens difíceis de Atlanta, as lojas que servem o mesmo aglomerado de clientes tendiam a estar localizadas ao longo de corredores de deslocamento.
In short, the analysis requires a huge amount of varied and detailed big data and advanced analytical techniques to sort out the interdependencies. But the payoff is worth the effort. We consistently see potential improvements in profit margins of around 1 percent of sales, depending on a retailer’s starting position and the share of income it derives from items on promotion. That can represent 20 percent of a retailer’s entire net income, which can be invested in lower prices, better store layouts, and improved shareholder returns.
One grocery retailer achieved these kinds of results after seeing poor performance from promotions. As a result of the kinds of advanced analytical techniques described above, the grocer was able to tailor promotions to products, with some brands receiving additional promotions, others a price cut, and some no promotion.
Targeting Pricing Precisely. Retailers often struggle to set the right prices while trying to provide a consistent pricing experience to customers across stores. We find that pricing zones, or areas with similar pricing, are typically determined on the basis of how a retailer organizes its activities geographically. Setting prices in this way often causes retailers to place a great deal of emphasis on city, state, and country borders. When people cross these sometimes arbitrary boundaries to shop, however, they see different prices from the same retailer.
As a result, customers might cherry-pick the best prices from nearby locations. Also, less price-sensitive customers might pay less than they may have been willing to, and more price-sensitive customers might not buy at all. Frequently, retailers create too few pricing zones, which limits their ability to respond in a more nuanced way to competitive pressures.
A better approach is to use individual customer behavior as the foundation for establishing pricing zones. Rich transactional data from loyalty programs and credit cards across thousands of stores can be used to understand where individual customers tend to shop. That data can be layered onto an analysis of current store locations and pricing zones. All this information can be combined, analyzed, and mapped to show geographic clusters of price awareness based on observed shopping behavior rather than artificially set boundaries.
This is the kind of complex, messy information from which big-data projects excel at generating insight. As a result of an advanced analytical approach, retailers can determine the likelihood of an individual customer shopping at different stores. They can then justify charging different prices across a region, be confident that pricing performance will not erode, and ensure that customers will not be likely to encounter noticeably different prices within the area where they usually shop.
Consider the case of a national retailer that used state boundaries to establish one set of prices across most of the Greater Atlanta area for a group of products essential to drawing customers to stores. An analysis of loyalty card data revealed considerable complexity in customers’ shopping patterns across Georgia and adjacent states. Even within Atlanta, the retailer discovered a wide diversity of customer demographics and shopping behaviors. For instance, because of Atlanta’s sprawl and difficult commutes, stores serving the same cluster of customers tended to be located along commuting corridors.
Ao examinar onde os clientes fizeram compras, o varejista identificou cerca de uma dúzia de aglomerados de lojas exclusivas apenas na Geórgia. (Veja o Anexo 2.) A análise deu ao varejista uma forte justificativa para estabelecer até uma diferença de preços de 30 % para o conjunto de produtos em grupos de lojas, dentro de uma região que anteriormente tinha apenas um conjunto de preços. O varejista elevou os preços em alguns clusters de lojas, enquanto ainda oferece o menor preço disponível na área. Ao mesmo tempo, reduziu os preços em outros aglomerados de lojas apenas o suficiente para vencer a competição local. Os clientes de toda a região viram preços competitivos em sua área de compras, enquanto o varejista gerou US $ 5 milhões em lucros adicionais em uma única categoria a partir da combinação de preços mais altos e visitas adicionais de lojas. Através de uma análise de big-tends de bilhões de transações, o varejista conseguiu escalar a abordagem para todos os EUA, resultando em uma abordagem muito mais refinada ao preço, sem fazer com que os clientes percebam os múltiplos pontos de preço. Rede. Uma rede de lojas físicas é vista como um custo fixo amarrado a um local físico. Devido aos custos de longo prazo da localização do local, imóveis e construção, a alteração de uma rede de centenas de lojas pode ser demorada e cara. Hoje em dia, os executivos geralmente consideram uma rede como um fardo, e não como uma oportunidade. Esse ônus se torna ainda mais pesado, pois as vendas migram on-line e deixam muitas lojas físicas com muito espaço ou uma rede insuficiente para atender à demanda.
Understanding the Value of a Network. Retailers often view the value of their network of stores—the “last mile” of retail—in terms of the value of the land and the buildings. A network of brick-and-mortar stores is seen as a fixed cost tethered to a physical location. Because of the long-term costs of site location, real estate, and construction, changing a network of hundreds of stores can be time consuming and expensive. These days, executives often look at a network as a burden, rather than an opportunity. That burden is made even heavier as sales migrate online and leave many brick-and-mortar stores with too much space or an insufficient network to meet demand.
Big Data revela outra maneira de pensar nas redes de lojas. Um varejista especializado conseguiu desbloquear o valor de sua pegada de varejo com uma análise avançada de sua rede. A pesquisa do consumidor sugeriu que uma marca de tecnologia bem conhecida não havia alcançado todo o seu potencial de vendas entre um segmento importante de clientes, em parte porque sua rede de vendas diretas existente era irregular em muitas áreas. O varejista acreditava que poderia ajudar a marca a fornecer a cobertura necessária para essas empresas, mas precisava de provas. Utilizou técnicas geoanalíticas para examinar 3,4 bilhões de viagens ponto a ponto para identificar lacunas na rede de varejo e parceiro da marca de tecnologia. De fato, o varejista tinha a melhor cobertura dos principais segmentos de clientes quando comparado aos concorrentes e outros parceiros em potencial em quase todas as regiões dos EUA. A empresa determinou o valor verdadeiro de sua última milha, olhando para a lente de um jogador complementar. Também ganhou um novo entendimento do valor de sua pegada. Acreditamos que outros varejistas podem alcançar resultados de sua rede na mesma ordem relativa de magnitude usando uma ampla variedade de táticas, auxiliadas muito por big data e geoanalísica. Pragmático: as empresas vencem melhorando as vendas ou margens todos os dias. Os executivos devem determinar como alimentar o crescimento de maneiras específicas. Eles não devem tentar criar uma “solução completa”.
The retailer decided to analyze how well 12 million businesses and 117 million households in the United States were covered by its network, by its competitors’
networks, and by additional retailers that could be partners with the technology brand. It used geoanalytical techniques to examine 3.4 billion point-to-point customer trips in order to identify gaps in the technology brand’s retail and partner network.
The results were clear: The specialty retailer was 37 percent closer on average to U.S. households and businesses than its competitors were. In fact, the retailer had the best coverage of key customer segments when compared with competitors and other potential partners in almost all U.S. regions. The company determined the true value of its last mile by looking at it through the lens of a complementary player.
As a result, the retailer was able to partner with the technology brand to generate $40 million in incremental revenues from its existing network at little additional cost. It also gained a new understanding of the value of its footprint. We believe that other retailers can achieve results from their network on the same relative order of magnitude by using a wide variety of tactics, aided greatly by big data and geoanalytics.
How to Begin
As retailers explore these opportunities aided by big data, they should take the following initial steps:
- Focus on the most pressing opportunities. Retail executives are highly pragmatic: companies win by improving sales or margins every day. Executives should determine how to fuel growth in specific ways. They should not try to build a “complete solution.”
- Comece com os dados de que você realmente precisa. Vendas, custos, promoções, espaço, localizações de lojas e dados do cliente devem ser conectados, mas apenas na medida em que isso gerará valor para os negócios. As empresas provavelmente terão que conectar mais dados à medida que os esforços evoluem. Para alcançar resultados rapidamente, eles devem começar apenas com os dados necessários no curto prazo. Executives should certainly solidify their infrastructure. Sales, costs, promotions, space, store locations, and customer data should be connected, but only insofar as that will drive value for the business. Companies will likely have to connect more data as efforts evolve. To achieve results quickly, they should begin with just the data that is required in the near term.
- Bring the organization along. As pessoas que tomam decisões diárias no varejo - compradores, planejadores comerciais e outras - estão famintos por informações úteis. Ajude -os a confiar na saída da análise, incluindo -os no processo e sendo transparente sobre isso. Isso melhorará seus resultados e os tornará muito mais relevantes.
- Traduzir a análise em ações tangíveis para a organização mais ampla validar. Devemos oferecer um acordo de dois por um? Quais promoções devemos continuar e qual devemos parar? Certifique -se de que as recomendações ressoem com aqueles que tomam as decisões diárias. Se eles não puderem responder a novas informações facilmente, eles as ignorarão. Ultimately, big data in retailing needs to help people make practical decisions faster and easier: Should we promote a product for an extra week? Should we offer a two-for-one deal? Which promotions should we continue and which should we stop? Make sure that recommendations resonate with those making the daily decisions. If they can’t respond to new information easily, they will ignore it.
- Mantenha a confiança. Para criar confiança e obter acesso a quantidades ainda maiores de dados pessoais para aplicativos de grandes dados, os varejistas devem comunicar de forma transparente como eles usam os dados e devem demonstrar os benefícios importantes para os consumidores das novas técnicas analíticas. (Ver One-to-one marketing and individualized pricing can sometimes be taken so far that customers lose trust in a company’s basic fairness in pricing or its ability to protect their privacy or data. To create trust and gain access to even greater amounts of personal data for big-data applications, retailers must communicate transparently how they use the data and must demonstrate the important benefits to consumers from the new analytical techniques. (See A vantagem da confiança: como ganhar com big data , BCG Focus, novembro de 2013.)
Os varejistas não podem se dar ao luxo de passar nesses tipos de oportunidades tangíveis de grandes dados. As empresas que se destacam em tocar neles podem obter um crescimento mensurável. O valor que eles criam será duradouro.
Rob Souza
